基于藻类高光谱信号的水体残留农药检测方法
【技术领域】
[0001] 本发明涉及藻类的水体检测技术领域，尤其涉及一种基于藻类高光谱信号的水体 残留农药检测方法。
【背景技术】
[0002] 农药在农业中起到至关重要的作用，被世界各地广泛使用，但是农药对于环境和 人类健康有着很大的影响。农药能够促进农产品的发展，但与此同时，农药也会给环境和人 类的健康方面带来了许多消极的影响。农药会污染土壤、水体和其他植被，并且危害到鱼、 有益昆虫和其他植物等的生物体。虽然低浓度的农药对水体质量的影响不明显，但随着农 药长时间积累将会加重水体的污染，所以农药的识别和毒性鉴别就变得十分重要。
[0003] 微藻是一类在陆地、海洋分布广泛，营养丰富、光合利用度高的自养植物。大量生 活在河流湖泊里的藻类变成反应农药对水体污染的理想中介。
[0004] 高光谱成像技术不同于传统的机器视觉或近红外技术，它将成像技术和细分光谱 技术结合在一起，在对目标的空间特征成像的同时，对每个空间像素经过色散形成几十乃 至几百个窄波段以进行连续的光谱覆盖，所获取的图像包含了丰富的空间和光谱等多重信 息。
[0005] 如公开号为CN103630498A的专利文献提供了一种基于高光谱成像技术的脐橙表 面农药残留量的检测方法，包括步骤：（1)采集待测脐橙在十一个特征波长处的单波段光 谱图像；（2)依据单波段光谱图像的灰度值与反射率的线性关系，将步骤（1)中的单波段光 谱图像转化为反射率图像；(3)依据公式计算得到脐橙的反射率图像中每个像素点所对应 的农药残留量。
[0006] 高光谱具有分辨力高、波段众多，能够获取精细的光谱特征曲线，并且可以根据需 要选择或提取特定的波段来突出目标特征；覆盖波长范围宽，从可见光到短波红外范围，甚 至到中波红外和热红外范围。
[0007] 高光谱成像系统信息采集是一个线扫描成像过程，利用移动平台以可控的速度使 成像对象相对于固定的光谱相机平行移动，通过线扫描获取藻类的高光谱图像信息。
【发明内容】
[0008] 本发明提供了一种基于藻类高光谱信号的水体残留农药检测方法，以藻体内叶绿 素 a为天然探针，通过高光谱信号变化来反映细胞的光合代谢状态，从而反应水体中除草 剂污染状况，解决了现有检测方法需要对水样进行复杂的化学处理，操作相对繁琐、耗时、 耗力的问题。
[0009] -种基于藻类高光谱信号的水体残留农药检测方法，包括以下步骤：
[0010] 1)采用高光谱成像仪，获取不同农药水体中的藻类样本的高光谱信息，并进行预 处理得到预处理后的高光谱信息；
[0011] 2)根据水体中农药的种类和所述预处理后的高光谱信息，建立预测模型；
[0012] 3)取待测藻类样本，并获得待测藻类样本的高光谱信息，采用卷积平滑（SG)和标 准正态变换（SNV)对待测藻类样本的高光谱信息进行处理，将处理后的高光谱信息输入所 述的预测模型，获得待测藻类样本所处农药水体中的农药种类。
[0013] 利用高光谱成像仪成像时，曝光时间设置为45ms，CCD摄像机透镜和用来携带样 本的输送带之间的距离为200mm，每个玻璃盘放置在输送机台上，然后以2. 4mm/s的速度移 动，高光谱成像仪逐行扫描来建立带有空间坐标的高光谱图像。
[0014] 采用蛋白核小球藻为介质，通过检测其色素的变化对农药种类进行判别。由于蛋 白核小球藻对除草剂的反应相对于其他藻类更为敏感。
[0015] 为使建立的模型预测范围更广，更加准确，还可以将正常水体中的藻类样本与农 药水体中的藻类样本结合建立模型，具体为：重复步骤1)中的操作得到正常水体中的藻类 样本的高光谱信息，结合农药水体中的农药种类和对应藻类样本的高光谱信息，根据步骤 2)中的方法建立模型，此时得到模型可用于检测样本所处的水体是否为正常水体。
[0016] 优选的，所述的模型为全波长-偏最小二乘法-判别分析（FW-PLS-DA)模型。
[0017] 进一步优选的，所述的模型为有竞争的自适应重加权采样-偏最小二乘法-判别 分析（CARS-PLS-DA)模型。
[0018] 进一步优选的，所述的模型为回归系数-线性判别分析（RC-LDA)模型。
[0019] 由于初始的高光谱信号包含很多复杂的数据，会给数据分析带来很多困难，采用 ROI去拾取每个校正后的高光谱图像中央区域，以凸显样本信号，然后进行SG平滑处理和 标准正态变换（SNV)，其中ROI采用ENVI4. 7软件编写，SG平滑处理和标准正态变换采用 WIRE3. 3软件实现；反射率数据的收集和处理通过Unscrambler X 10. 1软件进行。
[0020] 在对预测模型进行校验时，在步骤3)中，将处理后的高光谱信息输入所述的预测 模型后，设定阈值为±0. 3,用以消除误差对检测结果造成的影响。阈值越大，预测正确率越 高，当阈值为±0. 3时，预测正确率达到96. 67%。
[0021] 与现有技术相比，本发明的有益效果为：
[0022] 本发明实现了基于藻类高光谱信号的水体残留农药检测方法，不需要对水样进行 复杂的前处理以及化学分析，大大简化了操作步骤，缩短了检测时间，也避免了由于操作人 员操作不熟练或者主观因素带来的测量结果不准确等后果。
【具体实施方式】
[0023] 下面结合具体实施例进一步阐释本发明。
[0024] 在本实施例中选择三种除草剂，分别是草甘膦、去草胺和阿特拉津。设置四个实验 组，三组被除草剂污染，剩下的一个为正常水样。相同浓度的藻类种植在四组水中。三个被 污染组中的除草剂浓度设置为3mg/L。初始的四组藻浓度为1.45X10 7细胞/毫升。微藻 培养平台的照明水平在25001x到35001x之间。
[0025] 为了能较大程度地污染微藻，模拟其在污染环境中的生长状态，测试持续了七天。 数据采集分别在测试的第三天、第五天、第七天进行。每组样本通过可见/近红外光谱成像 系统获取图像。对同一天的每一组水样采集其30个样本，共获取120个样本的高光谱图像 (30个草甘膦、30个莠去津、30个丁草胺和30个正常水样）。
[0026] 利用高光谱成像仪检测藻体内色素成分变化时，曝光时间设置为45ms，CCD摄像 机透镜和用来携带样本的输送带之间的距离为200mm，每个玻璃盘放置在输送机台上，然后 以2. 4mm/s的速度移动，高光谱成像仪逐行扫描来建立带有空间坐标的高光谱图像。
[0027] 对于每个样本的高光谱原始信息，为获得较高信噪比的光谱曲线，采用平滑SG和 标准正态变换对原始高光谱进行预处理。由于初始的高光谱信号包含很多复杂的数据，会 给数据分析带来很多困难，采用ROI去拾取每个校正后的高光谱图像中央区域，以凸显样 本信号，然后进行SG平滑处理和标准正态变换。
[0028] 以第三天为例，在得到的各样本中（共120)，每种水体下随机抽取80个样本用于 模型建立，剩下的40个样本用于验证。
[0029] 为便于对比不同模型预测的效果，本实施例分别采用标准正态变换和SG平滑对 原始高光谱进行预处理，利用不同的模型对相同预处理程度下获取的数据建立预测模型， 用分辨正确率对模型的精确性进行评价，预测正确率是阈值为±0.3时计算所得。相同的 预处理方法对不同的预测模型比较分析见表1、表2、表3。
[0030] 表1 FW - PLS - DA模型的三天预测结果
[0031]
[0032] 其中R/、Rp2为决定系数，RMSEC、RMSEP为均方根误差；
[0033] 表2 CARS-PLS-DA模型的三天预测结果
[0034]
[0035] 表3 RC-LDA模型的三天预测结果
[0036]
[0037] 其中*CCR为预测准确率
[0038] 从表1、表2和表3中，可以看到FW-PLS-DA模型、CARS-PLS-DA模型和RC-LDA模 型的平均预测准确率分别为80. 33%、85. 00%和96. 67%。因此，RC-LDA模型的预测准确 率更好，能很好的满足水体除草剂鉴别的要求。
【主权项】
1. 一种基于藻类高光谱信号的水体残留农药检测方法，其特征在于，包括以下步骤： 1) 采用高光谱成像仪，获取不同农药水体中的藻类样本的高光谱图像，并依次进行卷 积平滑和标准正态变换的预处理得到预处理后的高光谱信息； 2) 根据水体中农药的种类和所述预处理后的高光谱信息，建立预测模型； 3) 取待测藻类样本，获得待测藻类样本的高光谱信息，采用卷积平滑和标准正态变换 对待测藻类样本的高光谱信息依次进行处理，将处理后的高光谱信息输入所述的预测模 型，获得待测藻类样本所处农药水体中的农药种类。2. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 在高光谱成像仪内，曝光时间设置为45ms，CXD摄像机透镜和用来携带样本的输送带之间 的距离为200mm，每个玻璃皿放置在输送机台上，然后以2. 4mm/s的速度移动，高光谱成像 仪逐行扫描来建立带有空间坐标的高光谱图像。3. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 针对正常水体中的藻类样本，重复步骤1)中的操作得到相应的高光谱图像，结合农药水体 中的农药种类和对应藻类样本的高光谱信息，根据步骤2)建立模型。4. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 采用蛋白核小球藻为介质，通过检测其色素的变化对农药种类进行判别。5. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 所述的模型为全波长-偏最小二乘法-判别分析模型。6. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 所述的模型为有竞争的自适应重加权采样-偏最小二乘法-判别分析模型。7. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 所述的模型为回归系数-线性判别分析模型。8. 如权利要求1所述的基于藻类高光谱信号的水体残留农药检测方法，其特征在于， 在步骤3)中，将处理后的高光谱信息输入所述的预测模型后，设定阈值为±0.3。
【专利摘要】本发明公开了一种基于藻类高光谱信号的水体残留农药检测方法，包括：1)采用高光谱成像仪，获取不同农药水体中的藻类样本的高光谱图像，并依次进行卷积平滑和标准正态变换的预处理得到预处理后的高光谱信息；2)根据水体中农药的种类和所述预处理后的高光谱信息，建立预测模型；3)取待测藻类样本，获得待测藻类样本的高光谱信息，采用卷积平滑和标准正态变换对待测藻类样本的高光谱信息依次进行处理，将处理后的高光谱信息输入所述的预测模型，获得待测藻类样本所处农药水体中的农药种类。本发明无需对水样进行复杂的前处理以及化学分析，大大简化了操作步骤，缩短了检测时间，提高了鉴别正确率。
【IPC分类】G01N21/27
【公开号】CN105092489
【申请号】CN201510501581
【发明人】邵咏妮, 周宏 , 蒋林军, 何勇
【申请人】浙江大学
【公开日】2015年11月25日
【申请日】2015年8月14日